別中的某一個中，實現分類。通過將點云數據的特征描 述向量進行分類，相當于對點云數據進行分類。
[0047] 本實施例能夠獲取第一有向點獲取對應的第一旋轉圖像，然后根據至少一個第一 旋轉圖像得到的協方差矩陣計算點云數據的特征描述向量，并根據該特征描述向量對點云 數據進行分類。與現有技術中根據局部特征進行分類，對應性搜索的計算代價較為高昂相 比，本實施例中一個第一旋轉圖像中包括多個局部特征，因此根據第一旋轉圖像得到的特 征描述向量能夠描述多個局部特征，進而降低對應性搜索的計算代價，提高點云數據的分 類效率。此外，由于現有技術采用的局部特征無法完整的表示點云數據的整體形狀，因此可 能將具有相同局部特征的不同類型性的對點云數據分到同一類中，分類不準確。本實施例 根據第一旋轉圖像確定的特征描述向量進行分類，由于第一旋轉圖像能夠對點云數據的整 體進行表示，因此根據第一旋轉圖像確定的特征描述向量進行分類能夠更為準確的進行分 類。
[0048] 實施例二
[0049] 在實施例一中相同方向矢量的第一有向點得到的第一旋轉圖像可能相同，進而影 響特征描述向量的有效性，降低分類準確度。基于此，本發明實施例提供了一種點云數據的 分類方法，具體的，S110、獲取第一有向點對應的第一旋轉圖像，可實施為：
[0050] (1)以第一有向點的法線方向為軸，用一個與所述法線方向垂直的預設格槽平面 進行旋轉。
[0051 ]其中，所述預設格槽平面包括至少一個格槽。
[0052] (2)旋轉時，將所述預設格槽平面的每個格槽中落入的目標交點數目確定為所述 每個格槽的灰度值，得到所述第一有向點對應的第一旋轉圖像，所述目標交點為所述預設 格槽平面與目標曲面的交點。
[0053] 其中，目標曲面為點云數據表示的目標物體上的任意一個曲面或平面。如圖5所 示，有向點b的方向為B，以方向B為軸旋轉預設格槽平面。在旋轉過程中，預設格槽平面與目 標曲面的交點落在格槽中的數目就是每個格槽的灰度值。
[0054]給定三維目標表面的一個有向點P，如圖6所示，目標表面上其它的任意一點Q的旋 轉映射坐標可以定義為P的法向量m與Q處的法向量η之間的距離α，以及Q到切平面的有向距 離β，根據α和β可確定預設格槽平面。目標曲面上的每一個點都可在預設格槽平面(α，β)平 面上得到一個對應的坐標值。在一個旋轉瞬間根據目標曲面得到旋轉幀，如圖7所示，旋轉 幀中的每個點為目標曲面與預設格槽平面的交點，每一個旋轉瞬間可得到一個旋轉幀。其 中，可通過線性插值的方式確定交點與格槽的對應關系;優選的選用雙線性插值方法確定 交點與格槽的對應關系。在全部旋轉幀中對每個格槽落入的點的數量進行統計，得到每個 格槽中點的數量，并將該數量作為格槽對應的灰度值，進而形成以格槽為最小單位的旋轉 圖像。
[0055]通過旋轉預設格槽平面實現對每個格槽內落入的點進行統計，得到每個格槽對應 的灰度值，進而得到旋轉圖像。根據不同的第一有向點得到的第一旋轉圖像的不盡相同，進 而提尚特征描述向量的有效性，提尚分類的準確性。
[0056]進一步的，為了使特征描述向量能夠更為準確的表示點云數據，通過主成分分析 (Principal Component Analysis，PCA)獲取特征描述向量，具體的，如圖8所示，S130、根據 協方差矩陣計算點云數據的特征描述向量，包括：
[0057] S301、計算協方差矩陣的至少一個特征向量和至少一個特征值。
[0058] 其中，所述特征值與所述特征向量一一對應。
[0059]特征值可使用現有技術中提供的特征值計算公式得到，例如通過協方差矩陣的特 征多項式求取特征值。在確定協方差矩陣的至少一個特征值后，將每個特征值代入到特征 多項式中，求取與特征值對應的特征向量。
[0000] S302、從至少一個特征向量中選取較大的預設數量的特征值對應的特征向量。
[0061]預設數量大于等于1。優選的，選取數值最大的4個特征值對應的特征向量。例如： 協方差矩陣的特征值有7個，分別為10、15、20、25、30、35和40,如果預設數量為4,則選取特 征值40對應的特征向量、特征值35對應的特征向量、特征值30對應的特征向量以及特征值 25對應的特征向量。
[0062 ] S303、根據預設數量的特征值對應的特征向量確定點云數據的特征描述向量。
[0063]可選的，將S302中選取的預設數量的特征向量進行組合，得到點云數據的特征描 述向量。
[0064] 通過主成分分析的方式選取較大的預設數量的特征向量，能夠得到將點云數據中 較為突出的特征進行表示，在保證分類精確度的同時降低計算量。
[0065] 優選的，S303、根據預設數量的特征值對應的特征向量確定點云數據的特征描述 向量，還可通過下述操作進行實施：
[0066] S303a、獲取點云數據的最小包圍盒的三維信息。
[0067]最小包圍盒為點云數據表示的目標物體的外接長方體(或立方體）。最小包圍盒的 三維信息指的是最小包圍盒所占用的三維空間，三維信息由X軸、y軸和z軸上的三個坐標區 間或坐標向量表示。
[0068] S303b、將預設數量的特征值對應的特征向量和最小包圍盒的三維信息進行組合， 得到點云數據的特征描述向量。
[0069] 將從協方差矩陣中選取的預設數量η的特征向量(每個特征向量的維度為D維）和 最小包圍盒的三維信息進行組合，構成Κ維的特征描述向量，其中K = D*n+3。
[0070] 通過最小包圍盒的三維信息能夠更加精確的特征描述向量，在后續進行分類時， 除了比較協方差矩陣的至少一個特征向量以外，還可根據最小包圍盒的三維信息進行分 類，進而提高分類精細度。
[0071] 進一步的，在S140、將點云數據的特征描述向量帶入到分類器進行分類處理之前， 所述方法還包括：
[0072] S150、通過機器學習將至少一個已知樣本數據的特征描述向量生成為分類器。
[0073]已知樣本數據為通過人工選擇得到的可用于表示目標物體的特征描述向量。可通 過支持向量機（Support Vector Machine，SVM)模型生成分類器。具體的，可用libSVM的C++ 庫實現機器學習，其中，LIBSVM是臺灣大學林智仁(Lin Chih-Jen)教授等開發設計的一個 簡單、易于使用和快速有效的SVM模式識別與回歸的軟件包。
[0074]通過機器學習將人工選擇的具有代表性的特征描述向量生成為分類器，構造一個 人工可控的分類器。當需要對分類器進行調整時，可通過輸入新的特征描述向量或者重新 建立分類器的方法對分類器進行調整，提高分類器的可用性。
[0075]進一步的，在S110、獲取第一有向點對應的第一旋轉圖像之前，還包括：
[0076] S160、對點云數據集合進行分割，得到至少一個點云數據。
[0077]識別出點云數據中包含的至少一個點云數據，分割出識別的至少一個點云數據。 [0078]在一個使用場景中，點云數據集合為高速公路的照片，通過圖像分析，識別除該照 片中包括高速公路路面、護欄(Barrier)、龍門架(Gantry)、立交橋(Overpass)、標牌(Sign) 以及路燈桿(Pole)。將識別出的點云數據從點云數據集合中分割出來，得到獨立的點云數 據。
[0079]在根據第一旋轉圖像對點云數據進行分類之前，從點云數據集合中準確地分割出 點云數據，能夠提高點云數據的分類效率。
[0080] 實施例三
[0081] 圖9為本發明實施例三提供的一種點云數據的分類裝置1的結構示意圖，所述裝置 1位于終端中，用于實現實施例一和實施例二所示的方法，所述點云數據的分類裝置1包括：
[0082] 旋轉圖像獲取單元11，用于獲取第一有向點對應的第一旋轉圖像，所述第一有向 點為點云數據中的任一有向點；
[0083]協方差矩陣確定單元12,用于根據所述旋轉圖像獲取單元11獲取的至少一個第一 旋轉圖像對應的第一直方圖確定協方差矩陣；
[0084]特征描述向量計算單元13,用于根據所述協方差矩陣確定單元12確定的所述協方 差矩陣計算所述點云數據